SDG 3:

SDG 3, auch bekannt als Ziel für Sustainable Development Goal 3, konzentriert sich auf die Gewährleistung eines gesunden Lebens und die Förderung des Wohlbefindens für alle Menschen jeden Alters. Dieses Ziel umfasst ein breites Spektrum gesundheitsbezogener Themen, darunter die Verringerung der Müttersterblichkeit, die Beendigung vermeidbarer Todesfälle von Neugeborenen und Kindern unter fünf Jahren, die Bekämpfung übertragbarer Krankheiten und die Verwirklichung einer allgemeinen Gesundheitsversorgung.

Arbeitshypothese

München, als Teil Deutschlands, verfolgt ein umfassendes Gesundheitssystem, das wesentlich dazu beiträgt, eine allgemeine Gesundheitsversorgung zu erreichen und den Zugang zu hochwertigen grundlegenden Gesundheitsdiensten, finanziellem Risikoschutz sowie erschwinglichen Medikamenten und Impfstoffen für alle Einwohner zu gewährleisten.

das allgemeine Gesundheitssystem in Deutschland

1.Zugang zu hochwertigen grundlegenden Gesundheitsdiensten: Deutschland und damit auch München verfügen über ein gut ausgebautes, allen Bürgern zugängliches Gesundheitssystem mit einem breiten Angebot an medizinischen Leistungen über die gesetzliche Krankenversicherung (GKV) und einer großen Anzahl an Fachärzten und Krankenhäusern.

Hintergrundinformationen

Die Hypothese, dass München als Teil Deutschlands ein umfassendes Gesundheitssystem verfolgt, das eine allgemeine Gesundheitsversorgung fördert, lässt sich anhand des Ziels für nachhaltige Entwicklung (Sustainable Development Goal, SDG) 3 der Vereinten Nationen (UN) untermauern. SDG 3 zielt darauf ab, ein gesundes Leben für alle Menschen jeden Alters zu gewährleisten und ihr Wohlergehen zu fördern. Die wichtigsten Unterziele von SDG 3, die sich auf die allgemeine Gesundheitsversorgung beziehen, beinhalten den Zugang zu hochwertigen grundlegenden Gesundheitsdiensten, finanziellem Risikoschutz und erschwinglichen Medikamenten und Impfstoffen. Hier sind einige spezifische Punkte, die diese Hypothese unterstützen:

1. Zugang zu hochwertigen grundlegenden Gesundheitsdiensten

Deutschland, einschließlich München, verfügt über ein gut entwickeltes Gesundheitssystem, das allen Bürgern zur Verfügung steht. Die gesetzliche Krankenversicherung (GKV) deckt eine breite Palette an medizinischen Leistungen ab, darunter Vorsorgeuntersuchungen, Behandlungen und Rehabilitation.

2. Finanziellem Risikoschutz

Es gibt in Deutschland eine generelle Verpflichtung zur Krankenversicherung. Das heißt, dass jeder, der in Deutschland lebt, zur Krankenversicherung verpflichtet ist. Diese Verpflichtung gilt für die private und die gesetzliche Krankenversicherung. diese steht in Sozialgesetzbuch Fünftes Buch (SGB V) fest : § 5 SGB V - Versicherungspflicht. § 5 SGB V legt fest, wer in der gesetzlichen Krankenversicherung pflichtversichert ist. Dazu zählen unter anderem Arbeitnehmer, Auszubildende, Rentner, Studenten und Arbeitslose.

3. Erschwingliche Medikamente und Impfstoffe

Um die Sicherheit zu gewährleisten, gibt es in Deutschland ein strenges Preissystem für Medikamente und Impfstoffe. Die Preise für verschreibungspflichtige Medikamente werden durch vorab zu verhandelnde Regulierungen kontrolliert und im wesentlichen reduziert. Impfstoffe sind daher für die Bevölkerung in der Regel kostenlos oder sehr günstig.

Weiterhin wird die Entwickelung/Ausbreitung und Verteilung der medizinischen Versorgung bzw. Gesundheitsleister in München gezeigt.

Daten Wahl und dessen Begründung:

datensatz: krankenversicherte: https://www.bpb.de/system/files/datei/SOZ_10_04_Krankenversicherungsschutz.xlsx Der Datensatz gibt Aufschluss über die Verteilung der Krankenversicherungsarten in Deutschland. Das Verständnis der Versichertheit der Bevölkerung ist entscheidend für die Analyse des Zugangs zu Gesundheitsleistungen, des finanziellen Risikoschutzes und der Erschwinglichkeit.

datensatz: die folgenden Werden benutzte, um die Streuung bzw. Die Verteilung der medizinischen Versorgungen und dessen Verfügbarkeit in den jeweiligen Bezirken zu visualisieren.

apotheken: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-apotheken-dichte

zahn: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-zahnaerztedichte-83r65mct

arzt: https://opendata.muenchen.de/dataset/indikatorenatlas-gesundheit-aerztedichte-83r65mct darunter fallen: Allgemeinmedizin, Frauenheilkunde und Geburtshilfe, Innere Medizin, Kinder- und Jugendmedizin, Orthopädie und Psychotherapeutische Medizin

data1 <- read_excel("data/krankenversicherte.xlsx")
## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
data2 <- read.csv("data/apotheken.csv")
data3 <- read.csv("data/zahn.csv")
data4 <- read.csv("data/arzt.csv")

Numerische Zusammenfassung der individuellen Datensätze

summary(data1)
##  Krankenversicherungsschutz der Bevölkerung     ...2          
##  Length:53                                  Length:53         
##  Class :character                           Class :character  
##  Mode  :character                           Mode  :character  
##      ...3               ...4               ...5               ...6          
##  Length:53          Length:53          Length:53          Length:53         
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##      ...7          
##  Length:53         
##  Class :character  
##  Mode  :character
summary(data2)
##   Indikator          Ausprägung             Jahr       Raumbezug        
##  Length:442         Length:442         Min.   :2006   Length:442        
##  Class :character   Class :character   1st Qu.:2010   Class :character  
##  Mode  :character   Mode  :character   Median :2014   Mode  :character  
##                                        Mean   :2014                     
##                                        3rd Qu.:2018                     
##                                        Max.   :2022                     
##  Indikatorwert     Basiswert.1       Basiswert.2     Name.Basiswert.1  
##  Min.   : 788.3   Min.   :  18876   Min.   :  5.00   Length:442        
##  1st Qu.:3366.7   1st Qu.:  47722   1st Qu.:  9.00   Class :character  
##  Median :4203.1   Median :  54931   Median : 15.00   Mode  :character  
##  Mean   :4354.8   Mean   : 113134   Mean   : 29.18                     
##  3rd Qu.:5240.3   3rd Qu.:  74349   3rd Qu.: 21.00                     
##  Max.   :9500.3   Max.   :1588330   Max.   :407.00                     
##  Name.Basiswert.2  
##  Length:442        
##  Class :character  
##  Mode  :character  
##                    
##                    
## 
summary(data3)
##   Indikator          Ausprägung             Jahr       Raumbezug        
##  Length:442         Length:442         Min.   :2006   Length:442        
##  Class :character   Class :character   1st Qu.:2010   Class :character  
##  Mode  :character   Mode  :character   Median :2014   Mode  :character  
##                                        Mean   :2014                     
##                                        3rd Qu.:2018                     
##                                        Max.   :2022                     
##  Indikatorwert     Basiswert.1       Basiswert.2     Name.Basiswert.1  
##  Min.   :  70.0   Min.   :  18876   Min.   :  13.0   Length:442        
##  1st Qu.: 940.5   1st Qu.:  47722   1st Qu.:  29.0   Class :character  
##  Median :1225.5   Median :  54931   Median :  50.0   Mode  :character  
##  Mean   :1339.6   Mean   : 113134   Mean   : 118.6                     
##  3rd Qu.:1664.8   3rd Qu.:  74349   3rd Qu.:  83.0                     
##  Max.   :4434.0   Max.   :1588330   Max.   :1776.0                     
##  Name.Basiswert.2  
##  Length:442        
##  Class :character  
##  Mode  :character  
##                    
##                    
## 
summary(data4)
##   Indikator          Ausprägung             Jahr       Raumbezug        
##  Length:2106        Length:2106        Min.   :2010   Length:2106       
##  Class :character   Class :character   1st Qu.:2013   Class :character  
##  Mode  :character   Mode  :character   Median :2016   Mode  :character  
##                                        Mean   :2016                     
##                                        3rd Qu.:2020                     
##                                        Max.   :2022                     
##  Indikatorwert        Basiswert.1       Basiswert.2      Name.Basiswert.1  
##  Min.   :    34.15   Min.   :   2018   Min.   :   0.00   Length:2106       
##  1st Qu.:  1233.43   1st Qu.:  27335   1st Qu.:   5.00   Class :character  
##  Median :  2276.74   Median :  50877   Median :  16.00   Mode  :character  
##  Mean   :  5402.90   Mean   :  91116   Mean   :  74.62                     
##  3rd Qu.:  5493.25   3rd Qu.:  67878   3rd Qu.:  41.00                     
##  Max.   :119572.00   Max.   :1588330   Max.   :4035.00                     
##  Name.Basiswert.2  
##  Length:2106       
##  Class :character  
##  Mode  :character  
##                    
##                    
## 

Kurze Analyse auf Ausreißern:

1.Ein Ausreißer in Form einer extrem hohen oder niedrigen Dichte könnte auf ungewöhnliche Konzentrationen von Medizinische Versorgungen in bestimmten Stadtteilen hinweisen. Beispielsweise könnte ein Stadtteil eine signifikant höhere Dichte haben als der Durchschnitt, was auf eine übermäßige Verfügbarkeit von Medizinische Versorgungen hindeutet. Umgekehrt könnte ein Stadtteil eine sehr niedrige Dichte aufweisen, was möglicherweise auf eine Unterdeckung in der Gesundheitsversorgung hinweist.

2.Ausreißer können auch in der absoluten Anzahl der Medizinische Versorgungen pro Stadtteil auftreten. Wenn ein Stadtteil eine ungewöhnlich hohe oder niedrige Anzahl davon im Vergleich zur Bevölkerungszahl hat, könnte dies die Dichte erheblich beeinflussen und auf spezifische Merkmale oder Bedürfnisse dieses Stadtteils hinweisen.

## # A tibble: 4 × 2
##   `Krankenversicherungsschutz der Bevölkerung`              ...4 
##   <chr>                                                     <chr>
## 1 Versicherte in der Gesetzlichen Krankenversicherung (GKV) 88.7 
## 2 Versicherte in der Privaten Krankenversicherung (PKV)     11   
## 3 ohne Krankenversicherung1                                 0.1  
## 4 ausschließlich sonstiger Anspruch auf Krankenversorgung2  0.2

Da es in Deutschland eine gesetzliche Krankenversicherungspflicht gilt, die eine nahezu vollständige Abdeckung von 99,7% aller registrierten Personen mit Krankenversicherung gewährleistet. Diese Daten zeigen, dass die Mehrheit, konkret 88,7%, sich für die gesetzliche Krankenversicherung (GKV) entscheidet, während 11% der Bevölkerung eine private Krankenversicherung (PKV) bevorzugen. Interessanterweise bleibt lediglich ein sehr kleiner Teil, nämlich 0,1% der Gesamtzahl der Personen, ohne jegliche Form von Krankenversicherungsschutz.

all installed packages

##                       Package Version
## askpass               askpass   1.2.0
## backports           backports   1.4.1
## base64enc           base64enc   0.1-3
## bit                       bit   4.0.5
## bit64                   bit64   4.0.5
## bitops                 bitops   1.0-7
## blob                     blob   1.2.4
## broom                   broom   1.0.5
## broom.helpers   broom.helpers  1.15.0
## bslib                   bslib   0.6.1
## cachem                 cachem   1.0.8
## callr                   callr   3.7.5
## cellranger         cellranger   1.1.0
## cli                       cli   3.6.2
## clipr                   clipr   0.8.0
## colorspace         colorspace   2.1-0
## commonmark         commonmark   1.9.1
## conflicted         conflicted   1.2.0
## cpp11                   cpp11   0.4.7
## crayon                 crayon   1.5.2
## crosstalk           crosstalk   1.2.1
## crsmeta               crsmeta   0.3.0
## curl                     curl   5.2.1
## data.table         data.table  1.15.2
## DBI                       DBI   1.2.2
## dbplyr                 dbplyr   2.5.0
## digest                 digest  0.6.35
## dplyr                   dplyr   1.1.4
## dtplyr                 dtplyr   1.3.1
## ellipsis             ellipsis   0.3.2
## evaluate             evaluate    0.23
## fansi                   fansi   1.0.6
## farver                 farver   2.1.1
## fastmap               fastmap   1.1.1
## fontawesome       fontawesome   0.5.2
## forcats               forcats   1.0.0
## fs                         fs   1.6.3
## gargle                 gargle   1.5.2
## generics             generics   0.1.3
## GGally                 GGally   2.2.1
## ggmap                   ggmap   4.0.0
## ggplot2               ggplot2   3.5.1
## ggstats               ggstats   0.6.0
## ggthemes             ggthemes   5.1.0
## glue                     glue   1.7.0
## googledrive       googledrive   2.1.1
## googlesheets4   googlesheets4   1.1.1
## gridExtra           gridExtra     2.3
## gtable                 gtable   0.3.4
## haven                   haven   2.5.4
## highr                   highr    0.10
## hms                       hms   1.1.3
## htmltools           htmltools   0.5.7
## htmlwidgets       htmlwidgets   1.6.4
## httpuv                 httpuv  1.6.15
## httr                     httr   1.4.7
## httr2                   httr2   1.0.1
## ids                       ids   1.0.1
## isoband               isoband   0.2.7
## jpeg                     jpeg  0.1-10
## jquerylib           jquerylib   0.1.4
## jsonlite             jsonlite   1.8.8
## knitr                   knitr    1.45
## labeling             labeling   0.4.3
## labelled             labelled  2.13.0
## later                   later   1.3.2
## lazyeval             lazyeval   0.2.2
## lifecycle           lifecycle   1.0.4
## lubridate           lubridate   1.9.3
## magrittr             magrittr   2.0.3
## memoise               memoise   2.0.1
## mime                     mime    0.12
## miniUI                 miniUI 0.1.1.1
## modelr                 modelr  0.1.11
## munsell               munsell   0.5.0
## openssl               openssl   2.1.1
## osmdata               osmdata   0.2.5
## palmerpenguins palmerpenguins   0.1.1
## patchwork           patchwork   1.2.0
## pillar                 pillar   1.9.0
## pkgconfig           pkgconfig   2.0.3
## plotly                 plotly  4.10.4
## plyr                     plyr   1.8.9
## png                       png   0.1-8
## prettyunits       prettyunits   1.2.0
## processx             processx   3.8.4
## progress             progress   1.2.3
## PROJ                     PROJ   0.5.0
## proj4                   proj4  1.0-14
## promises             promises   1.3.0
## ps                         ps   1.7.6
## purrr                   purrr   1.0.2
## R.cache               R.cache  0.16.0
## R.methodsS3       R.methodsS3   1.8.2
## R.oo                     R.oo  1.26.0
## R.utils               R.utils  2.12.3
## R6                         R6   2.5.1
## ragg                     ragg   1.3.0
## rappdirs             rappdirs   0.3.3
## RColorBrewer     RColorBrewer   1.1-3
## Rcpp                     Rcpp  1.0.12
## readr                   readr   2.1.5
## readxl                 readxl   1.4.3
## rematch               rematch   2.0.0
## rematch2             rematch2   2.1.2
## reprex                 reprex   2.1.0
## reproj                 reproj   0.7.0
## reshape2             reshape2   1.4.4
## rlang                   rlang   1.1.3
## rmarkdown           rmarkdown    2.26
## rprojroot           rprojroot   2.0.4
## rstudioapi         rstudioapi  0.15.0
## rvest                   rvest   1.0.4
## sass                     sass   0.4.9
## scales                 scales   1.3.0
## selectr               selectr   0.4-2
## shiny                   shiny 1.8.1.1
## sourcetools       sourcetools 0.1.7-1
## stringi               stringi   1.8.3
## stringr               stringr   1.5.1
## styler                 styler  1.10.3
## sys                       sys   3.4.2
## systemfonts       systemfonts   1.0.6
## textshaping       textshaping   0.3.7
## tibble                 tibble   3.2.1
## tidyr                   tidyr   1.3.1
## tidyselect         tidyselect   1.2.1
## tidyverse           tidyverse   2.0.0
## timechange         timechange   0.3.0
## tinytex               tinytex    0.50
## tzdb                     tzdb   0.4.0
## utf8                     utf8   1.2.4
## uuid                     uuid   1.2-0
## vctrs                   vctrs   0.6.5
## viridisLite       viridisLite   0.4.2
## vroom                   vroom   1.6.5
## withr                   withr   3.0.0
## wk                         wk   0.9.1
## xfun                     xfun    0.42
## xml2                     xml2   1.3.6
## xtable                 xtable   1.8-4
## yaml                     yaml   2.3.8
## translations     translations   4.3.3

Zusammenfassung und Entwicklung bzw. Analyse der jeweilingen Datensätze:

apo <- data2 %>% filter(Raumbezug == "Stadt München")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(apo) # alle values wählen, die die insgesamt Anzahl an Apotheken in münchen anzeigt, für jedes Jahr
##    Jahr Indikatorwert Basiswert.2
## 1  2022        4827.8         329
## 2  2021        4663.1         335
## 3  2020        4514.7         346
## 4  2019        4457.3         350
## 5  2018        4236.8         364
## 6  2017        4135.7         369
## 7  2016        4158.7         371
## 8  2015        3973.0         383
## 9  2014        3871.9         385
## 10 2013        3775.7         388
## 11 2012        3644.2         395
## 12 2011        3500.6         403
## 13 2010        3430.0         403
## 14 2009        3351.8         407
## 15 2008        3367.8         406
## 16 2007        3320.5         407
## 17 2006        3258.5         407
## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()

Die Daten zeigen einen durchschnittlichen jährlichen Rückgang von etwa 4.875 Apotheken pro Jahr, berechnet aus einem Rückgang von 78 Apotheken im 16-Jahres-Zeitraum von 2006 bis 2022. Trotz dieses allgemeinen Rückgangs gab es Phasen der Stabilität, wie von 2006 bis 2008, als die Zahl der Apotheken konstant bei 407 blieb, und von 2010 bis 2012, als die Zahl um 403 Apotheken schwankte. Diese stabilen Perioden stehen im Gegensatz zu dem allgemeinen Abwärtstrend, der über den breiteren Zeitraum beobachtet wurde. Es kann verschiedene Ursachen für den allgemeinen Rückgang der Anzahl der Apotheken geben, wie z. B. bestimmte wirtschaftliche Bedingungen, die sich auf die Lebensfähigkeit von Apotheken auswirken können und sowohl die Gründung neuer Apotheken als auch das Überleben bestehender Apotheken beeinträchtigen. Eine sinkende Zahl von Apotheken könnte sich auf den Zugang zu Medikamenten und Gesundheitsdiensten auswirken, insbesondere in unterversorgten Gemeinden.

ins_arzt <- data4 %>% filter(Raumbezug == "Stadt München", Ausprägung== "insgesamt")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(ins_arzt) # alle values wählen, die die insgesamt Anzahl an Ärzten in münchen anzeigt, für jedes Jahr
##    Jahr Indikatorwert Basiswert.2
## 1  2022        393.64        4035
## 2  2021        389.46        4011
## 3  2020        390.82        3997
## 4  2019        392.36        3976
## 5  2018        391.03        3944
## 6  2017        390.50        3908
## 7  2016        398.05        3876
## 8  2015        397.10        3832
## 9  2014        404.09        3689
## 10 2013        394.12        3717
## 11 2012        392.01        3672
## 12 2011        385.45        3660
## 13 2010        382.90        3610
arzt_verlauf <- plot_ly(ins_arzt, x = ~Jahr) %>%
  add_trace(y = ~Basiswert.2, name = "Ärzte in München", type = 'scatter', mode = 'lines') %>%
  layout(
    title = "Anzahl der Ärzte in München von 2010 bis 2022 Jahre",
    xaxis = list(title = "Jahr",dtick = 1),
    yaxis = list(title = "Anzahl", range = c(3500,4100)), 
    showlegend = TRUE,
    plot_bgcolor = '#e5ecf6',
    width = 800
  )
## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()
arzt_verlauf

Die Analyse des Datensatzes von 2010 bis 2022 zeigt einen positiven Trend bei der Zahl der Ärzte mit einem durchschnittlichen jährlichen Anstieg von etwa 35,42 Ärzten pro Jahr. Dieses Wachstum deutet auf eine Verbesserung der Zugänglichkeit der Gesundheitsversorgung hin und deutet auf eine allgemeine Erweiterung und Stärkung des Gesundheitssystems hin. Der stetige Anstieg der Zahl der Ärzte ist ein positives Zeichen für die öffentliche Gesundheit und weist auf bessere Gesundheitsdienste und Ergebnisse für die Bevölkerung hin.

ins_zahn_arzt <- data3 %>% filter(Raumbezug == "Stadt München", Ausprägung== "insgesamt")%>% select(Jahr,Indikatorwert,Basiswert.2)
print(ins_zahn_arzt)
##    Jahr Indikatorwert Basiswert.2
## 1  2022           899        1767
## 2  2021           892        1752
## 3  2020           884        1768
## 4  2019           878        1776
## 5  2018           873        1766
## 6  2017           890        1715
## 7  2016           913        1690
## 8  2015           942        1616
## 9  2014           946        1575
## 10 2013           954        1536
## 11 2012           962        1497
## 12 2011           957        1474
## 13 2010          1077        1284
## 14 2009          1071        1274
## 15 2008          1091        1253
## 16 2007          1077        1255
## 17 2006          1088        1219
zahn_arzt_verlauf <- plot_ly(ins_zahn_arzt, x = ~Jahr) %>%
  add_trace(y = ~Basiswert.2, name = "Zahnärzte in München", type = 'scatter', mode = 'lines') %>%
  layout(
    title = "Anzahl der Zahnärzte in München von 2010 bis 2022 Jahre",
    xaxis = list(title = "Jahr",dtick = 1),
    yaxis = list(title = "Anzahl", range = c(1200,1800)), 
    showlegend = TRUE,
    plot_bgcolor = '#e5ecf6',
    width = 800
  )
## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()
zahn_arzt_verlauf

Die Analyse des Datensatzes von 2006 bis 2022 zeigt einen positiven Trend bei der Zahl der Zahnärzte mit einem durchschnittlichen jährlichen Anstieg von etwa 34,25 Zahnärzten pro Jahr. Dieses Wachstum deutet auf eine Verbesserung des Zugangs zur zahnärztlichen Versorgung hin und deutet auf eine allgemeine Erweiterung und Stärkung des zahnärztlichen Gesundheitssystems hin. Der stetige Anstieg der Zahl der Zahnärzte ist ein positives Zeichen für die öffentliche Gesundheit und weist auf bessere Mundgesundheitsdienste und Ergebnisse für die Bevölkerung hin.

# Teilmenge der Datenrahmen, die ab 2010 beginnen sollen
ins_zahn_arzt_sub <- ins_zahn_arzt[ins_zahn_arzt$Jahr >= 2010, ]
ins_arzt_sub <- ins_arzt[ins_arzt$Jahr >= 2010, ]
apo_sub <- apo[apo$Jahr >= 2010, ]


# Bestimmung der maximal benötigten Y-Achsenbereich
max_y <- max(max(ins_zahn_arzt_sub$Basiswert.2), max(ins_arzt_sub$Basiswert.2),max(apo_sub$Basiswert.2))

# hier eine Combi plot erstellen
combined_plot <- plot_ly() %>%
  
 
  add_trace(data = ins_zahn_arzt_sub, x = ~Jahr, y = ~Basiswert.2,
            name = "Zahnärzte in München", type = 'scatter', mode = 'lines') %>%
  
  
  add_trace(data = ins_arzt_sub, x = ~Jahr, y = ~Basiswert.2,
            name = "Ärzte in München", type = 'scatter', mode = 'lines') %>%
  
  
  add_trace(data = apo_sub, x = ~Jahr, y = ~Basiswert.2,
            name = "Apotheken in München", type = 'scatter', mode = 'lines') %>%
  
  # Layout configuration
  layout(
    title = "Entwicklung von Zahnärzten, Ärzten und Apotheken in München seit 2010",
    xaxis = list(title = "Jahr", dtick = 1),
    yaxis = list(title = "Anzahl", range = c(0, max_y + 100)), 
    showlegend = TRUE,
    plot_bgcolor = '#e5ecf6',
    width = 800
  )
## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()
# Show the combi plot
combined_plot

Neue Dataframes für die Individuellen Bezirke in München um die Verbreitung der medizinischen Versorgungen darzustellen

apo_2022 <- data2 %>% filter(Jahr == 2022,Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(apo_2022)
##    Jahr                                                         Raumbezug
## 1  2022                                               01 Altstadt - Lehel
## 2  2022                                 02 Ludwigsvorstadt - Isarvorstadt
## 3  2022                                                    03 Maxvorstadt
## 4  2022                                               04 Schwabing - West
## 5  2022                                                05 Au - Haidhausen
## 6  2022                                                       06 Sendling
## 7  2022                                            07 Sendling - Westpark
## 8  2022                                               08 Schwanthalerhöhe
## 9  2022                                        09 Neuhausen - Nymphenburg
## 10 2022                                                        10 Moosach
## 11 2022                                        11 Milbertshofen - Am Hart
## 12 2022                                           12 Schwabing - Freimann
## 13 2022                                                    13 Bogenhausen
## 14 2022                                                   14 Berg am Laim
## 15 2022                                               15 Trudering - Riem
## 16 2022                                           16 Ramersdorf - Perlach
## 17 2022                                      17 Obergiesing - Fasangarten
## 18 2022                                      18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022                                                         20 Hadern
## 21 2022                                           21 Pasing - Obermenzing
## 22 2022                                 22 Aubing - Lochhausen - Langwied
## 23 2022                                          23 Allach - Untermenzing
## 24 2022                                       24 Feldmoching - Hasenbergl
## 25 2022                                                           25 Laim
##    Basiswert.2
## 1           22
## 2           23
## 3           13
## 4           14
## 5           18
## 6            8
## 7           11
## 8            8
## 9           23
## 10           9
## 11          12
## 12          20
## 13          19
## 14           8
## 15           8
## 16          17
## 17          11
## 18           8
## 19          16
## 20           8
## 21          15
## 22           9
## 23           6
## 24           9
## 25          14
zahn_2022 <- data3 %>% filter(Jahr == 2022,Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(zahn_2022)
##    Jahr                                                         Raumbezug
## 1  2022                                               01 Altstadt - Lehel
## 2  2022                                 02 Ludwigsvorstadt - Isarvorstadt
## 3  2022                                                    03 Maxvorstadt
## 4  2022                                               04 Schwabing - West
## 5  2022                                                05 Au - Haidhausen
## 6  2022                                                       06 Sendling
## 7  2022                                            07 Sendling - Westpark
## 8  2022                                               08 Schwanthalerhöhe
## 9  2022                                        09 Neuhausen - Nymphenburg
## 10 2022                                                        10 Moosach
## 11 2022                                        11 Milbertshofen - Am Hart
## 12 2022                                           12 Schwabing - Freimann
## 13 2022                                                    13 Bogenhausen
## 14 2022                                                   14 Berg am Laim
## 15 2022                                               15 Trudering - Riem
## 16 2022                                           16 Ramersdorf - Perlach
## 17 2022                                      17 Obergiesing - Fasangarten
## 18 2022                                      18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022                                                         20 Hadern
## 21 2022                                           21 Pasing - Obermenzing
## 22 2022                                 22 Aubing - Lochhausen - Langwied
## 23 2022                                          23 Allach - Untermenzing
## 24 2022                                       24 Feldmoching - Hasenbergl
## 25 2022                                                           25 Laim
##    Basiswert.2
## 1          280
## 2          109
## 3           77
## 4           73
## 5           77
## 6           22
## 7           45
## 8           25
## 9          124
## 10          34
## 11          59
## 12         144
## 13         123
## 14          25
## 15          61
## 16          82
## 17          46
## 18          50
## 19          98
## 20          29
## 21          76
## 22          26
## 23          16
## 24          15
## 25          51
arzt_2022 <- data4 %>% filter(Ausprägung =="insgesamt", Jahr == 2022, Raumbezug != "Stadt München")%>% select(Jahr, Raumbezug,Basiswert.2)
print(arzt_2022)
##    Jahr                                                         Raumbezug
## 1  2022                                               01 Altstadt - Lehel
## 2  2022                                 02 Ludwigsvorstadt - Isarvorstadt
## 3  2022                                                    03 Maxvorstadt
## 4  2022                                               04 Schwabing - West
## 5  2022                                                05 Au - Haidhausen
## 6  2022                                                       06 Sendling
## 7  2022                                            07 Sendling - Westpark
## 8  2022                                               08 Schwanthalerhöhe
## 9  2022                                        09 Neuhausen - Nymphenburg
## 10 2022                                                        10 Moosach
## 11 2022                                        11 Milbertshofen - Am Hart
## 12 2022                                           12 Schwabing - Freimann
## 13 2022                                                    13 Bogenhausen
## 14 2022                                                   14 Berg am Laim
## 15 2022                                               15 Trudering - Riem
## 16 2022                                           16 Ramersdorf - Perlach
## 17 2022                                      17 Obergiesing - Fasangarten
## 18 2022                                      18 Untergiesing - Harlaching
## 19 2022 19 Thalkirchen - Obersendling - Forstenried - Fürstenried - Solln
## 20 2022                                                         20 Hadern
## 21 2022                                           21 Pasing - Obermenzing
## 22 2022                                 22 Aubing - Lochhausen - Langwied
## 23 2022                                          23 Allach - Untermenzing
## 24 2022                                       24 Feldmoching - Hasenbergl
## 25 2022                                                           25 Laim
##    Basiswert.2
## 1          601
## 2          318
## 3          274
## 4          174
## 5          176
## 6           83
## 7           62
## 8           57
## 9          339
## 10          84
## 11          48
## 12         241
## 13         280
## 14          38
## 15          90
## 16         148
## 17         117
## 18         126
## 19         211
## 20          65
## 21         283
## 22          49
## 23          31
## 24          39
## 25         101

Visualisierung der Verteilung der Versorgung, um die Verfügbarkeit in den Individuellen Bezirken Münchens zu zeigen

combined_data <- rbind(
  cbind(apo_2022, Type = "Apotheken"),
  cbind(zahn_2022, Type = "Zahnärzte"),
  cbind(arzt_2022, Type = "Insgesamte Ärzte")
)

combined_data$Raumbezug <- as.factor(1:25) # damit die bezirke von 1-25 numeriert sind


ggplot(combined_data, aes(x = Raumbezug, y = Basiswert.2, fill = Type)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.5), width = 0.5) +
  scale_fill_manual(values = c("Apotheken" = "purple", "Zahnärzte" = "red", "Insgesamte Ärzte" = "green")) +
  labs(title = "Anzahl der medizinischen Versorgungen in den jeweiligen Bezirken 
                                  in München (2022)",
       x = "Stadtbezirke in München",
       y = "Anzahl") +
  theme_minimal()

Variablen: Raumbezug (x-Achse):

Diese Variable steht für “Stadtbezirke in München”. Da Bezirke Namen oder Identifikatoren verschiedener Gebiete sind, ist Raumbezug eine kategoriale Variable.

Basiswert.2 (y-Achse):

Diese Variable stellt die “Anzahl” der medizinischen Versorgungen (wie Apotheken, Zahnärzte und Gesamtärzte) in jedem Bezirk dar. Da er die Anzahl darstellt, ist Basiswert.2 eine metrische (quantitative) Variable.

find_min_value <- function(dataset) {
  return(min(dataset$Basiswert.2))
}

find_max_value <- function(dataset) {
  return(max(dataset$Basiswert.2))
}


print(find_min_value(apo_2022))
## [1] 6
print(find_max_value(apo_2022))
## [1] 23
print(find_min_value(arzt_2022))
## [1] 31
print(find_max_value(arzt_2022))
## [1] 601
print(find_min_value(zahn_2022))
## [1] 15
print(find_max_value(zahn_2022))
## [1] 280

Allgemein Kann man von der Analyse feststellen, dass in jedem Bezirk vom München mindestens 6 Apotheken, 31 Ärzte und 15 Zahnärzte einen Hauptwohnsitz haben. Da jede der 25 Regionen oder Bezirke Münchens mindestens 6 Apotheken, 31 Ärzte und 15 Zahnärzte hat, spiegelt dies ein hochentwickeltes und gerechtes Gesundheitssystem wider. Dies stellt sicher, dass alle Einwohner bequemen Zugang zu notwendiger medizinischer und zahnärztlicher Versorgung haben, trägt zur Gesundheit und zum Wohlbefinden der Gemeinschaft bei und unterstützt die wirtschaftliche und soziale Entwicklung innerhalb der Stadt.

Bonus: Visualisierung der Verteilung der Versorgung, um die Verfügbarkeit in den Individuellen Bezirken Münchens zu zeigen mit plotly paket

plot_ly() %>% # mit plot_ly kann man die werte der jeweiligen Bezirke zu sehen
  add_trace(data = apo_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Apotheken", 
            type = "bar", marker = list(color = "purple")) %>%
  add_trace(data = zahn_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Zahnärzte",
            type = "bar", marker = list(color = "red")) %>%
  add_trace(data = arzt_2022, x = ~Raumbezug, y = ~Basiswert.2, name = "Insgesamte Ärzte",
            type = "bar", marker = list(color = "green")) %>%
  layout(title = "Anzahl der medizinischen Versorgungen in den jeweiligen Bezirken in München (2022)",
         xaxis = list(title = "Stadtbezirke in München"),
         yaxis = list(title = "Anzahl"),
         bargap = 0.5)  # Adjust the gap between bars